盧言利，穆景陽

（總裝備部工程兵科研一所，江蘇無錫214035）

基于遺傳BP神經(jīng)網(wǎng)絡(luò)的隱身涂層老化性能評價模型

盧言利，穆景陽

（總裝備部工程兵科研一所，江蘇無錫214035）

為了計算涂層在自然環(huán)境中老化物理量值與環(huán)境因子的關(guān)系，設(shè)計出一種實數(shù)編碼、算術(shù)交叉、高斯變異、爬山操作的遺傳BP神經(jīng)網(wǎng)絡(luò)。根據(jù)環(huán)境因子計算涂層物理量值，采用Visual studio 2008進行編程，開發(fā)出程序進行神經(jīng)網(wǎng)絡(luò)訓練和預(yù)測程序。用一個涂層野外老化數(shù)據(jù)的實例來進行網(wǎng)絡(luò)訓練和預(yù)測，結(jié)果表明，模型計算出涂層最終的壽命，與實際測量值相近，表明遺傳神經(jīng)網(wǎng)絡(luò)模型可以很好地用于涂層壽命預(yù)測。

兵器科學與技術(shù)；隱身涂層；耐老化性能；BP人工神經(jīng)網(wǎng)絡(luò)；遺傳算法；壽命預(yù)測

0 引言

隱身涂料作為一種重要的隱身材料而廣泛應(yīng)用于武器裝備、軍事工程的表面，起到了重要的隱身效果。涂料在加工、貯存和使用過程中，由于受內(nèi)外因素的綜合作用，其使用性能逐漸變壞，以致最后喪失使用價值，這種現(xiàn)象稱為“老化”。涂層老化本質(zhì)上是組分中的高聚物、顏料等在自然界中發(fā)生化學變化的結(jié)果，是材料的自然特性，也是一種不可逆變化，涂層的耐老化性能是涂料性能好壞的重要標志之一［1］。涂層的老化過程受很多因素影響，包括涂層自身化學材料、制作工藝和各種復雜自然條件，在自然界中涂層老化主要有熱降解、水降解、光降解和氧化降解［2］。文獻［3-6］對涂層老化機理進行了研究，老化降解主要是光引發(fā)的氧化和水解，其影響因素主要有陽光（特別是紫外線）、溫度、氧氣、水和污染物等。已有研究表明，光氧化降解隨溫度增大而加?。煌瑯铀饨到庖惨蚬庹斩觿。?］。

在涂料的研制和試驗研究中，對其老化性能研究通常采用兩類方法：一類是典型或嚴酷的自然環(huán)境老化試驗，如大氣老化試驗；另一類是在實驗室用儀器設(shè)備（即人工加速老化）來模擬特定的環(huán)境條件，并強化某些因素，在短期內(nèi)獲得試驗結(jié)果，主要有針對太陽輻射、溫度、濕度等來進行設(shè)計試驗方法。但是上述兩種方法在獲取試驗數(shù)據(jù)和驗證涂層性能，同樣存在試驗周期長、效率低等問題。涂層老化的物理量值與自然界環(huán)境因子關(guān)系復雜，而且隱身涂料有其固有特征，老化評價指標與其他涂料有所不同，研究表明隱身涂層的顏色特征變化（主要為光澤值（保光率）與變色（色差），這兩個參數(shù)是可以量化檢測）對其隱身效果影響最大，影響其顏色特征變化的主要因素為使用時間、太陽輻射量（與時間是線性關(guān)系）、溫度、濕度。對于隱身涂料仿真評價研究，目前還沒有一個仿真評價模型來表述。因此，有必要建立隱身涂料仿真評估模型，提高隱身涂料的研究效率，縮短試驗周期。

人工神經(jīng)網(wǎng)絡(luò)［7］是模擬生物腦結(jié)構(gòu)和功能的一種信息處理系統(tǒng)，也可稱為人工智能系統(tǒng)，其特有的自學習和聯(lián)想記憶功能，使這種方法對解決影響因素復雜、難以用公式表達的問題特別有效。BP神經(jīng)網(wǎng)絡(luò)與其他理論建模相比較，建模關(guān)系數(shù)目沒有限制，靈活性和預(yù)報精度較高，該網(wǎng)絡(luò)在識別、預(yù)測和控制等方面得到很好的應(yīng)用，可探索將其應(yīng)用于隱身涂料的老化預(yù)測。但一般BP神經(jīng)網(wǎng)絡(luò)采用梯度下降算法，全局收斂能力差，收斂速率慢，易陷入局部極值點。遺傳算法（GA）作為一種解決復雜問題的有效方法，是由美國密執(zhí)安大學的John Holland教授于1975年首先提出來的，這種算法是以達爾文的生物進化論為啟發(fā)而創(chuàng)建的，是基于生物進化中自然選擇、適者生存和物種遺傳思想的搜索算法。將GA同BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，可以有效提高并行搜索能力，在全解空間尋優(yōu)，易找到近似最優(yōu)解［7-8］。

當然，隱身涂層壽命影響因素很多，如環(huán)境因素（高溫、低溫、濕熱、鹽霧、太陽暴曬等）、涂層樹脂體系（丙烯酸、環(huán)氧、聚氨酯、氟樹脂等）、隱身涂層對抗頻譜（有光學、紅外、雷達）等，對應(yīng)其添加功能組分又相應(yīng)有顏料、金屬粉等。因此，隱身涂層老化性能的研究非常復雜，為了研究的方便性，本文選取具有代表性的高原環(huán)境條件，對光學偽裝涂層的老化性能開展試驗研究。通過制作氟碳類高耐候性光學偽裝涂層試件，開展高原環(huán)境戶外大氣暴露試驗，采集涂層的物理值如色差值、光澤、保光率隨時間變化一些離散的樣本數(shù)據(jù)，基于BP人工神經(jīng)網(wǎng)絡(luò)和GA進行數(shù)學建模，以涂層的初始物理量值和預(yù)測時間為輸入，以預(yù)測時刻的物理量變化值為輸出，對涂層物理量進行計算，建立隱身涂料預(yù)報模型，尋求涂層使用時間、太陽輻射量、環(huán)境溫濕度與涂料保光率和色差變化之間的隱含關(guān)系，可以用來預(yù)測涂層物理量，從而得到涂層的有效壽命。

1 試驗部分

1.1 試樣制備

試樣為經(jīng)過防腐處理的鋼板，尺寸為68 mm× 148 mm×0.5 mm，試樣為氟碳改性聚氨酯光學隱身涂層樣板，3塊平行試樣，編號為1號、2號、3號。

1.2 試驗方法

環(huán)境試驗參照GB/T9276—1996《涂層自然氣候暴露試驗方法》的規(guī)定執(zhí)行，樣本試驗周期為2010年3月12日～2011年10月27日，試驗地點為國家大氣老化試驗拉薩站。

2 基本BP神經(jīng)網(wǎng)絡(luò)

對于預(yù)測一般采用多層前向BP神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)有一個源節(jié)點輸入層、一個或多個隱含層、一個輸出層。Robert Hecht-Nielsen于1989年證明了用一個3層網(wǎng)絡(luò)即可模擬任意復雜的非線性問題。圖1給出了多個輸入一個輸出的神經(jīng)網(wǎng)絡(luò)預(yù)測模型，為3層的網(wǎng)絡(luò)模式，結(jié)構(gòu)為：一個輸入層，節(jié)點數(shù)為R；一個隱層，節(jié)點數(shù)為C；一個輸出層，節(jié)點數(shù)為1；輸入層到隱含層的權(quán)重為W=（Wij）R×C；（bj）1×C為隱含層各個神經(jīng)元的閾值；（uj）1×C為隱層到輸出層權(quán)重；b2為輸出層閾值。

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Structure of neural network

神經(jīng)元的激勵函數(shù)采用對數(shù)Sigmoid函數(shù)：

式中：a為控制函數(shù)斜率的參數(shù)，a＞0；v為輸入。

由于Sigmoid函數(shù)值域為（0，1），所以要先對樣本數(shù)據(jù)進行映射處理，盡量使輸入輸出值均勻分布在0～1之間，考慮到激勵函數(shù)不能取0或1，所以這里將數(shù)據(jù)處理時進一步縮小區(qū)間，設(shè)樣本總體為S，某樣本原始數(shù)據(jù)為sk，處理后數(shù)據(jù)為

這樣保證處理后的數(shù)據(jù)在［0.1，0.9］之間，這樣訓練網(wǎng)絡(luò)最后輸出值都能達到這個值。BP算法先進行學習，即將歷史數(shù)據(jù)輸入網(wǎng)絡(luò)中進行訓練，具體步驟如下。

步驟1 設(shè)置網(wǎng)絡(luò)參數(shù)、初始權(quán)值矩陣和閾值。設(shè)W（維數(shù)為R×C）為輸入層到隱層的連接權(quán)值，B1（維數(shù)為1×C）為隱層閾值，W2（維數(shù)為C×1）為隱層到輸出層權(quán)值，B2（維數(shù)為1×1）為隱層閾值。

步驟2 隨機輸入樣本Sk=（sk1，sk2，…，skR），經(jīng)過網(wǎng)絡(luò)計算得出輸出值：

步驟3 將輸出值與期望輸出值dk比較，計算出誤差：

步驟4 反向計算：當輸出層的實際輸出值與希望輸出值不一樣時就要對網(wǎng)絡(luò)進行校正。校正是從后向前進行的。BP算法采用誤差的負梯度來調(diào)整連接權(quán)，使其輸出誤差單調(diào)減少?？梢圆捎妹枯斎胍粋€樣本就調(diào)整一次，也可一次隨機把所有樣本都輸入后，求出總的誤差后進行調(diào)整，這里采用后一種方式進行調(diào)整。

重復步驟2、步驟3、步驟4，直到誤差滿足精度要求或達到規(guī)定迭代次數(shù)為止。

3 遺傳算法全局優(yōu)化網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)的學習關(guān)鍵是在步驟4，基本算法是基于梯度下降的，這種方法收斂速度慢，易振蕩，而且易陷入局部極值點。GA是在整個解空間進行搜索，收斂速度快，而且易得到全局最優(yōu)解。用GA對神經(jīng)網(wǎng)絡(luò)進行訓練，能夠很好地解決神經(jīng)網(wǎng)絡(luò)方法存在的問題。它的收斂性取決于染色體表示方式、初始群體、適應(yīng)度函數(shù)、遺傳算子的設(shè)計。

3.1 染色體表示

神經(jīng)網(wǎng)絡(luò)學習的目標是找到恰當?shù)木W(wǎng)絡(luò)權(quán)值和閾值，使誤差最小。GA一個個體的染色體表示對應(yīng)于一個解，即對應(yīng)于神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，先將神經(jīng)網(wǎng)絡(luò)權(quán)值矩陣變形成一維矩陣，按W1、B1、W2、B2的次序?qū)⑺袡?quán)值閾值連接在一起，形成GA實數(shù)編碼的染色體表示。如圖2所示，編碼長度為R×C+C+C×1+1.

圖2 染色體表示Fig.2 Chromosome representation

3.2 產(chǎn)生初始種群

按文獻［8］中BP學習算法初權(quán)閾值取值方法，初始權(quán)值取為均勻分布在（-2.4/F，2.4/F）隨機小數(shù)，其中F為所連單元的輸入端個數(shù)。

3.3 適應(yīng)度函數(shù)

用批處理的方式來訓練網(wǎng)絡(luò)，即把所有的樣本組成一個訓練周期，全部樣本都一次輸入網(wǎng)絡(luò)后，計算出總的絕對誤差能量：

作為個體的適應(yīng)值，最小則越優(yōu)。

3.4 兩代競爭的選擇算子

在遺傳迭代過程中，若過早使群體趨于一致，則在后面迭代過程中是對少數(shù)甚至同一個體進行許多操作，而且很難跳出這個局部點，這樣失去了遺傳操作的內(nèi)在并行性，就既浪費內(nèi)存資源，又最終只得到這局部點附近的最優(yōu)點，這就是“早熟”現(xiàn)象，為避免如此，就要在遺傳過程中盡量保持群體的多樣性，使個體中兩兩之間相似程度盡可能小，這里引入多維歐氏距離來計算個體二者之間的距離作為二者的相似程度，設(shè)個體x=（x1，x2，…，xn），y=（y1，y2，…，yn），則二者之間的歐氏距離為

為避免“早熟”且不過多增加計算量，選取父代優(yōu)秀個體參與到下一代的競爭，可選擇3個中淘汰1個，或4個中淘汰2個的方式，本文用3個中淘汰1個的方式進行選擇，從父代取出S（取S=C/2）個優(yōu)秀個體與當代產(chǎn)生的C個個體中競爭，選出C個個體作為下一代。具體競爭方法是以3個為一組進行分組，每組兩兩之間求出歐氏距離后進行比較，找到距離最小的2個個體，說明這2個個體相似程度高，則淘汰其中適應(yīng)度小的個體。這樣就做到了盡量保持遺傳過程中個體的多樣性，避免了過早陷入局部極值點，保持了遺傳算法內(nèi)在并行性。同時，有更多的個體參與競爭（M+S），種群中的優(yōu)秀個體（包括歷代最優(yōu)個體）一定能遺傳到下一代，這樣使搜索的局部能力得到加強，使收斂速度增快。

3.5 算術(shù)交叉算子

設(shè)選中的兩父代個體為x1、x2，交叉后新生成個體為，則

式中：α為隨機生成的數(shù)，滿足0≤α≤1.

3.6 高斯變異算子

對于個體x=（x1，x2，…，xn），加入一個小的擾動，作為個體的變異，設(shè)個體變異后變?yōu)?隨機生成變異基因位r，則

式中：α為（-2.4/F，2.4/F）隨機小數(shù)。

3.7 爬山操作

當每代交叉、變異完成后，找出群體中的最優(yōu)個體，通過領(lǐng)域搜索實施爬山操作，具體操作如下：

1）給最優(yōu)個體一個小的擾動，做法同變異；

2）判斷新的個體是否更優(yōu)，更優(yōu)則替換原個體。

重復1、2，直到達到一定操作次數(shù)為止。

3.8 遺傳神經(jīng)網(wǎng)絡(luò)算法流程圖

一般BP網(wǎng)絡(luò)算法是基于梯度下降的，即利用誤差反饋，權(quán)值閾值向誤差對權(quán)值閾值梯度的反方向變化，使誤差逐漸下降，遺傳神經(jīng)網(wǎng)絡(luò)是利用GA來訓練網(wǎng)絡(luò)權(quán)值閾值，其流程圖如圖3所示。

4 在涂層老化性能評價中的應(yīng)用

老化機理研究表明，老化降解主要是光引發(fā)的氧化和水解，其影響因素主要有陽光（特別是紫外線）、溫度、氧氣、水和污染物等。在野外自然界中，氧氣含量和污染物含量基本恒定，可以認為影響涂層老化的因子是紫外線輻射量、溫度、水（以濕度來表示）以及所經(jīng)歷的時間。涂層的有效性，主要根據(jù)色差ΔE和保光率來判斷，色差ΔE隨時間逐漸變大，保光率隨時間逐漸變小，當色差ΔE大于3或保光率小于70%可認為涂層失效。在自然界中，涂層老化到失效時間較長，但目前試驗時間短，只有12.5個月的時間，還沒達到失效。為了能利用前12.5個月的數(shù)據(jù)來預(yù)測后幾年的色差變化情況，達到預(yù)測涂層的失效時間的目的，本文建立預(yù)測模型來預(yù)測間隔某一段時間色差ΔE和保光率的變化值，從而計算出后面幾年涂層色差和保光率變化情況。在模型中，以時間間隔、紫外線輻射總量、平均溫度、平均濕度、初始時刻色差值ΔE和保光率為輸入，以差值ΔE和保光率的變化值作為輸出，建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型。因此輸入層神經(jīng)元均為6，輸出層為2，考慮本例實際情況，解決該問題的網(wǎng)絡(luò)隱層神經(jīng)元應(yīng)該在4～12之間。

圖3 改進遺傳神經(jīng)網(wǎng)絡(luò)算法流程圖Fig.3 Flow chart of improved genetic neural network algorithm

5 涂層老化預(yù)測實例

對涂層老化試驗期間（2010年3月～2011年9月）的氣象參數(shù)進行了統(tǒng)計，見表1，采集的參數(shù)包括：地面所受太陽紫外線輻射總量、月平均溫度、月平均濕度和歷年平均值，自然老化試驗從3月12日開始，以天為單位，一定間隔后對涂層各值進行觀測統(tǒng)計，得到試板觀測值，以0時刻值為初始值，計算色差和保光率，取60°保光率進行計算。氣象統(tǒng)計數(shù)據(jù)以月為單位，為了便于計算，將氣象統(tǒng)計數(shù)據(jù)平均到天，最終，得到神經(jīng)網(wǎng)絡(luò)樣本各值，即累計得出時間間隔，計算出該時間間隔內(nèi)紫外線總量、平均溫度、平均濕度、色差ΔE變化值、保光率變化值，如表2所示。

表1 試驗周期內(nèi)太陽紫外線輻射總量、月平均溫度、月平均濕度及歷年平均值Tab.1 Solar UV radiation，mean monthly temperature，mean monthly humidity and average value of pre vious years in test period

表2 神經(jīng)網(wǎng)絡(luò)樣本表Tab.2 Samples of neural network

續(xù)表2

將樣本數(shù)據(jù)輸出到遺傳神經(jīng)網(wǎng)絡(luò)進行訓練，訓練好的網(wǎng)絡(luò)就可以用來預(yù)測。這里采用基于Visual studio 2008編程，來設(shè)計遺傳神經(jīng)網(wǎng)絡(luò)訓練程序和預(yù)報程序，遺傳神經(jīng)網(wǎng)絡(luò)訓練程序如圖4所示，輸入網(wǎng)絡(luò)參數(shù)、樣本數(shù)據(jù)后，可以進行網(wǎng)絡(luò)訓練，最終得到網(wǎng)絡(luò)輸出總誤差，若達到期望值，則網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)重數(shù)據(jù)就可以用來進行預(yù)測涂層物理量值變化值。

圖4 遺傳神經(jīng)網(wǎng)絡(luò)程序界面Fig.4 Programming interface of genetic neural network

預(yù)測程序界面為圖5，該模型有兩種預(yù)測功能：一是以2010年3月12日為初始試驗時間，可以預(yù)測在此時間后任意時間涂層保光率和色差ΔE.輸入涂層預(yù)測時間，點擊“計算”，得到涂層的色差和保光率ΔE；二是計算涂層失效時間，和一段時間內(nèi)保光率或色差ΔE隨時間變化值。輸入時間段起止時間和步長，點擊“隨時間變化”，得到保光率或色差ΔE隨時間變化值，同時在程序界面右上角顯示了保光率或色差失效時間。

圖5 神經(jīng)網(wǎng)絡(luò)預(yù)測涂層物理量變化值和壽命Fig.5 Forecast of the change of coating physical quantity value and life using neural network

如表3所示，對比高原自然暴露試驗380 d的試驗數(shù)據(jù)，保光率為94.90%，而程序輸出為95.19%，從模型輸出結(jié)果和已進行的試驗采集結(jié)果對比來看，由此可知此模型準確度高。

表3 試驗數(shù)據(jù)與仿真輸出數(shù)據(jù)對比Tab.3 Comparison of test data and simulation output data

6 結(jié)論

通過材料優(yōu)化設(shè)計制備了高耐候性光學隱身涂層樣板，并開展了高原自然環(huán)境暴露試驗，利用采集的試驗數(shù)據(jù)作為模型訓練樣本，建立了涂層老化過程中的各物理值變化值計算方法。從而確定了計算該類涂料耐老化性能BP預(yù)測模型。通過開展本文研究，得出以下兩點結(jié)論：

1）基于BP神經(jīng)網(wǎng)絡(luò)和GA相結(jié)合，建立的遺傳BP神經(jīng)網(wǎng)絡(luò)基本模型，可以用于隱身涂層老化性能的評價。依據(jù)此模型可預(yù)測該類涂層樣板，在高原環(huán)境條件下的老化性能的變化情況，從試驗結(jié)果和模型輸出結(jié)果對比來看，模型準確度較高。

2）當訓練樣本數(shù)量較多時，計算精度較高，反之較低。通過試驗驗證，訓練完后的神經(jīng)網(wǎng)絡(luò)模型，準確度高，可以滿足工程的需要，只要給出判斷壽命的臨界指標，就可用于壽命計算。

（

）

［1］盧言利.有機涂層高原環(huán)境影響參數(shù)分析及老化機理研究［J］.涂料工業(yè)，2012，42（4）：12-18. LU Yan-li.Ageing mechanisms and influencing factors for organic coatings used in plateau environment［J］.Paint&Coatings Industry，2012，42（4）：12-18.（in Chinese）

［2］Buaer D R.Melamine/fomraldehyde closslinkers：characterization，network formation and crosslink degradation［J］.Progress in Organic Coatings，1986，14（3）：193-218.

［3］Armstrong R D，Jenkins A T A，Johnson B W.An investigation into the UV breakdown of thermoset polyester coatings using impedance spectroscopy［J］.Corrosion Science，1995，37（10）：1615-1625.

［4］Pappas S P.Weathering of coatings-formulation and evaluation［J］.Progress in Organic Coatings，1989，17（2）：107-114.

［5］Oosterbroek M，Larmmers R J，Van der Ven L G J，et al.Crack formation and stress development in an organic coating［J］.Journal of Coatings Technology，1991，63（7）：55-60.

［6］Ooterhold M，Glockner P.Influence of weathering on physical properties of clearcoats［J］.Progress in Organic Coatings，2001，41（1）：177-182.

［7］Sexton R S，Gupta J N D.Comparative evaluation of genetic algorithm and back propagation for training neural networks［J］.Information Sciences，2000，129：45-59.

［8］吳紅，吳值民.一種基于實數(shù)編碼的遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測方法［J］.計算機科學，2008，35（11）：178-180. WU Hong，WU Zhi-min.A real number coding genetic neural network prediction model［J］.Computer Science，2008，35（11）：178-180.（in Chinese）

Evaluation Model of Aging Properties of Stealth Coatings Based on Genetic BP Neural Network

LU Yan-li，MU Jing-yang
（The First Engineers Scientific Research Institute，General Armaments Department，Wuxi 214035，Jiangsu，China）

In order to research the relationship between the physical values of coating aging in the natural environment and the environmental factors，a genetic BP neural network with real coding，arithmetic crossover，Gauss mutation and climbing operation is designed.The physical values of coating are calculated according to the environmental factors.Visual Studio 2008 is used for programming，and a program is developed for neural network training and prediction program.Finally，an example of field aging data of coating is used for network training and prediction.The results show that the proposed model can be used to calculate the ultimate life of the coating.The calculated values are similar to the measured values.The genetic neural network model can be used for prediction of coating life.

ordnance science and technology；stealth coating；aging-resistant performance；BP artificial neural network；genetic algorithm；life prediction

E951.4

A

1000-1093（2015）08-1580-07

10.3969/j.issn.1000-1093.2015.08.029

2014-11-21

國防科研項目（ZLA09081）

盧言利（1978—），男，工程師。E-mail：lyl-997@163.com